今日场景社区搜索 (UGC 短文本搜索): 用户在社区平台搜索帖子、问答、评论等 UGC 内容。核心指标是搜索相关性 (nDCG) 和点击率 (CTR)。关注：语义匹配、query 理解、短文本召回、排序模型、LLM 在搜索中的应用。 — 评分 464 篇，入选 10 篇，分数 3.15 – 4.15
针对稠密检索系统大规模部署中的维度压缩问题，提出 Spectral Tempering 方法。现有 PCA 压缩保留主成分方差但浪费表示容量，而 MRL 在训练时增加开销。该方法通过频谱调温在后处理阶段重新分配方差到低阶分量，无需重训练即可实现更优的维度压缩效果，在 BEIR 等标准检索基准上优于 PCA 和 MRL 基线。
提出 SuperKMeans，一种专为高维向量 embedding 聚类优化的 K-means 变体。在现代 CPU 上比 FAISS 和 Scikit-Learn 快 7 倍，在 GPU 上比 cuVS 快 4 倍。该方法直接服务于向量检索索引构建（如 IVF 索引），可显著加速大规模向量数据库的索引构建过程。
INSIGHT针对向量检索系统中 IVF 索引构建的核心瓶颈——K-means 聚类速度——提出专用优化算法。对搜索系统的实践价值在于：当 embedding 库规模达到亿级时，索引重建耗时可能长达数小时，SuperKMeans 的 4-7 倍加速可大幅缩短索引构建周期，提升系统迭代效率。
首次在受控实验中系统研究拼写纠错对 QA 检索系统的影响。发现用户查询中拼写错误率远高于被检索文档，且不同纠错方法对检索效果的影响差异显著。通过在医疗 QA 场景的实验，量化了拼写纠错在检索管线中的收益和风险。
INSIGHT该研究揭示了 query 预处理中一个被低估的环节：拼写纠错对检索相关性的影响。对 UGC 搜索场景尤其重要——社区内容中用户输入的 query 拼写错误率高，系统性地引入拼写纠错模块可直接提升召回和排序质量。研究还提醒纠错可能引入新错误，需在纠错精度和检索效果间做权衡。
审计 1,357 条 AI 搜索引擎的引用来源，研究 AI 搜索（如 Perplexity、ChatGPT Search）如何重新分配酒店搜索中不同来源的流量和权力。发现 query 的表述方式（framing）显著影响 AI 搜索的引用偏好，揭示了 AI 搜索对传统搜索生态的颠覆性影响。
INSIGHT该研究从搜索生态视角揭示了 AI 搜索（Generative Search）对传统搜索排序范式的冲击。对搜索从业者的启示：AI 搜索的 grounding citation 机制本质上是一种新的排序逻辑，query framing 对结果影响显著。这意味着传统 SEO 策略在 AI 搜索时代需要根本性调整，搜索系统设计也需考虑 AI 引用的公平性。
提出 URAG，首个系统性的 RAG 不确定性量化基准。涵盖检索阶段和生成阶段的不确定性评估，揭示当前 RAG 系统在正确性之外的可靠性盲区。通过多维度评估框架，量化不同 RAG 配置下的不确定性表现。
INSIGHT当前 RAG 评估过度关注正确性指标，忽视了检索和生成阶段的不确定性。对搜索系统的启示：在将 LLM 集成到搜索管线时，需要引入不确定性量化机制来判断检索结果的可靠程度，避免高置信度但错误的生成结果。该基准为搜索+LLM 系统的质量保障提供了评测工具。
MetaMeta 发布 REA（Ranking Engineer Agent），一个自主管理广告排序模型全生命周期的 AI Agent。REA 可自主生成假设、启动训练任务、调试失败并迭代优化。初步生产测试中，模型平均精度提升一倍，3 名工程师借助 REA 完成了原本需要更多人力的 8 个模型优化工作。
INSIGHTREA 代表了 AI Agent 在搜索/排序领域工程实践中的前沿应用——用 Agent 自动化 ML 实验全流程。对搜索团队的启示：排序模型的迭代瓶颈往往不在模型本身，而在实验管理的人力成本。借助 Agent 自动化假设生成、训练调试、结果分析，可大幅提升模型迭代速度和工程效率。
提出 DuCCAE 混合对话引擎，解决生产环境中沉浸式对话系统在实时响应和长程任务能力之间的权衡问题。通过检索增强和多模块协作机制，在保持低延迟的同时支持复杂多轮对话场景。
INSIGHT该工作展示了检索增强在生产级对话系统中的实际应用模式——通过混合引擎架构，将检索模块与生成模块协同工作。对搜索场景的启示：在 conversational search 中，低延迟的检索增强机制是关键，纯 LLM 方案在实时交互场景中面临延迟瓶颈。
向量数据库综述的最新修订版（v3），全面梳理高维向量数据的存储、索引和检索技术。涵盖 ANN 算法、量化方法、分布式架构等核心议题，为向量检索系统的技术选型提供参考框架。
INSIGHT作为综述论文，价值在于系统性地对比了当前向量数据库的关键技术方案。对搜索系统的实践意义：在选择向量检索基础设施（FAISS/Milvus/Qdrant 等）时，可据此评估不同索引策略（IVF/HNSW/PQ）在查询延迟、召回率和存储开销间的权衡。
Google审计 Google Search 的 AI Overview（AIO）和 Featured Snippets（FS）在母婴健康领域的表现。发现 AI 生成的搜索摘要在事实准确性和信息质量方面存在显著问题，AI 搜索功能在敏感领域的可靠性仍需提升。
INSIGHT该审计研究揭示了 AI 搜索（Generative Search）在垂直领域的质量隐患。对搜索系统的启示：在部署 LLM 驱动的搜索摘要功能时，需要针对特定垂直领域建立质量评估和安全兜底机制，避免在高风险领域（如医疗、金融）出现误导性信息。
在经典的 HAL（Hyperspace Analogue to Language）词共现模型基础上引入注意力池化机制，提升文本分类性能。HAL 模型通过全局词共现矩阵构建分布式语义表示，本文通过注意力机制改善其表示质量。
INSIGHT该研究探索了经典分布式语义模型的现代化改进路径。虽然 HAL 模型在工业搜索系统中不常直接使用，但其核心思想——词共现信号+注意力机制——可为轻量级语义匹配模型的设计提供灵感，特别是在对延迟敏感的在线匹配场景。